1.一种基于多源异构数据融合的滑坡不确定模型动态构建方法，其特征在于：包括以下步骤：S101：获取目标滑坡的岩土体力学参数的空间分布特征和分布规律信息；

S102：根据所述目标滑坡的基础参数信息，采用Abaqus软件，建立目标滑坡的有限元基础模型；

S103：根据所述岩土体力学参数的空间分布特征和分布规律信息，结合所述有限元基础模型，基于相关随机场理论方法，建立所述目标滑坡的N个不确定模型；

S104：根据所述N个不确定模型，采用Abaqus有限元软件，基于非侵入式随机有限元方法，开展滑坡数值模拟，得到与目标滑坡上实际检测位置点相对应的水位、地表位移和深部位移时间序列数据；

S105：根据所述的N个不确定模型和所述水位、地表位移和深部位移时间序列数据，分别建立不同时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型；

S106：利用步骤S103所述方法新生成P个不确定模型，并将这P个不确定模型作为最新输入样本；其中，P根据实际需求设置，且P大于N；

S107：基于自适应条件抽样算法的贝叶斯方法，利用岩土体参数直接信息对对所述P个不确定模型进行反演更新，得到直接信息更新后的P个不确定模型；

S108：将所述更新后的P个不确定模型作为步骤S105所述的不同时间点中初始时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型的输入样本，并根据对应的预测输出，采用基于自适应条件抽样算法的贝叶斯方法，利用对应时间点的实际监测数据对步骤S107所述的更新后的P个不确定模型进行反演更新，得到初始时间点更新后的P个不确定模型；

然后将初始时间点更新后的P个不确定模型作为下一轮时间点更新的输入样本，进行下一轮时间点的更新；如此循环更新，直到预设的时间点，最终获取所有监测信息动态更新后的更为准确的P个不确定模型；

另外，初始时间点更新后的下一轮时间点的更新均利用与该轮时间点相对应的智能响应面模型，且每一轮时间点更新后的P个不确定模型均作为下一时间点更新时的输入样本。

2.如权利要求1所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法，其特征在于：步骤S101中，获取目标滑坡的岩土体力学参数的空间分布特征和分布规律信息；具体包括：S201：基于常规地质勘探与试验手段，获取目标滑坡不同部位岩土体的基础物理信息，并结合目标滑坡的坑探和槽探手段拍摄不同部位的实际照片；同时利用钻探手段获取目标滑坡不同钻孔点不同深度的岩土体样品，并开展室内实验获取相应位置点的岩土力学参数；所述岩土力学参数包括粘聚力和摩擦角；

S202：根据目标滑坡的前期勘察报告记录的不同钻孔点不同深度部位岩土体的颗粒级配和含水状态信息，配置多组重塑样品，每组重塑样品对应一个位置点的颗粒级配和含水状态；

S203：开展多组所述重塑样品的室内非饱和三轴直剪试验，获取目标滑坡的岩土体力学参数，并对剪切前后的重塑样品进行CT扫描，获得扫描照片；其中，所述岩土力学参数包括粘聚力和摩擦角参数；

S204：对步骤S201中的所述实际照片和步骤S203中的所述扫描照片进行二值化处理，识别照片中不同粒径颗粒，进而进行不同重塑样品CT扫描照片的习惯结构规律统计，获取岩土体中的细观特征参数；所述细观特征参数包括：块石的空间分布、块石形貌大小、排列方式与孔隙特征；

S205：根据所述实际照片的二值化处理结果，进行仿真数值模拟，以获取各位置点的岩土力学参数；同时，基于所述细观特征参数，获得细观特征参数的统计规律，并基于所述细观特征参数的统计规律进行随机建模，生成nn个重构试样，进而建立nn个重构试样的数值力学实验，获取不同重塑样品的nn个粘聚力与摩擦角值，然后对每个重塑样品的nn个粘聚力与摩擦角值分别取均值，作为该位置点重塑样品的粘聚力和摩擦角值；采用类似方法获取目标滑坡其它位置点的粘聚力和摩擦角，至此获取了目标滑坡不同位置点的岩土力学参数及其空间分布特征；

S206：对所述空间分布特征进行统计分析，得到目标滑坡的分布规律信息；所述分布规律信息包括：粘聚力与摩擦角的均值、标准差和概率函数分布类型以及它们之间的相关系数；

步骤S102中，所述基础参数信息包括所述目标滑坡的实际边界条件、载荷施加、基本材料参数和网格划分；其中，所述目标滑坡的网格划分的密度、大小和形状均为根据实际需求预先设置好的。

3.如权利要求1所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法，其特征在于：步骤S103中，根据所述岩土体力学参数的空间分布特征和分布规律信息，结合所述有限元基础模型，建立所述目标滑坡的N个不确定模型；具体如下：S301：据所述岩土体力学参数的空间分布特征，利用地质统计学理论中的半变异函数法，计算岩土力学参数的波动范围；

S302：根据所述有限元基础模型，生成对应的inp源文件，并提取所述有限元基础模型的单元中心点网格；

S303：根据所述单元中心点网格、所述岩土力学参数的波动范围和所述分布规律信息，采用基于乔列斯基分解的中心点法，生成所述目标滑坡的二维对数正太分布平稳随机场，即为所述目标滑坡的不确定模型。

4.如权利要求3所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法，其特征在于：步骤S301中，据所述岩土体力学参数的空间分布特征，利用地质统计学理论中的半变异函数法，计算岩土力学参数的波动范围；具体方法如下：实验变异函数γ*(h)计算公式如公式(1)所示：

上式中，h为采样点间距，N(h)为采样间距为h时的样本对数，z(xi)与z(xi+h)分别为采样位置是xi，xi+h的样本；

*

对于不同采样间距h，根据公式(1)计算出相应的实验变异函数γ (h)，然后以h为横坐标、γ*(h)为纵坐标建立直角坐标系，得到若干散点，将相邻各点连接出来，得到试验变异函数云图，再用理论变异函数模型对所述云图进行拟合，得到岩土力学参数的波动范围。

5.如权利要求4所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法，其特征在于：采用球状模型来对所述云图进行拟合，其公式如公式(2)所示：上式中，C0为块金常数；C为拱高；C0+C为基台值，a为波动范围，即随机场中的相关距离。

6.如权利要求3所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法，其特征在于：步骤S303中，根据所述单元中心点网格、所述岩土力学参数的波动范围和所述分布规律信息，采用基于乔列斯基分解的中心点法，生成所述目标滑坡的二维对数正太分布平稳随机场；具体步骤包括：S401：划分单元网格，此处的单元网格与所述有限元基础模型中的所述单元中心点网格相同，进而提取所述单元网格的中心点坐标(xi，yi)，i＝1，2，3，…，m，m为提取的总的单元中心点数目；

S402：根据m个单元网格的中心点坐标，采用超立方拉丁抽样产生2m个独立标准正太空间随机变量：S403：根据所述分布规律信息中的所述粘聚力和摩擦角之间的相关系数 建立互相关矩阵ρ0：并对ρ0进行乔列斯基分解：L1L1T＝ρ0，得到维度为2×2的下三角矩阵L1；

S404：生成自相关矩阵∑，其是由二维对数正太分布平稳随机场不同点间的相关系数组成， 为第i个单元中心点与第j个单元中心点间的相关系数，采用自相关函数模型计算相关系数公式如公式(3)所示：

上式中： θh，θv为竖直自相关距离和水平自相关距离，等于波

动范围的

S405：对自相关矩阵∑进行乔列斯基分解L2L2T＝∑，得到的下三角矩阵L2，利用公式(4)生成相关标准正太分布随机场H0(x，y)：S406：利用粘聚力与摩擦角的统计特征值，通过公式(5)：

H(x，y)＝exp(H0(x，y))            (5)

将相关标准正太分布随机场H0(x，y)等概率变化为相关对数正太分布随机场H(x，y)，至此完成了粘聚力与摩擦角相关性的二维对数正太分布平稳随机场的模拟，得到二维对数正太分布平稳随机场；

循环执行步骤S402～S406N次，得到N个二维对数正太分布平稳随机场，即N个不确定模型。

7.如权利要求1所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法，其特征在于：步骤S104中，根据所述N个不确定模型，采用Abaqus有限元软件，基于非侵入式随机有限元方法，开展滑坡数值模拟，得到与目标滑坡上实际检测位置点相对应的水位、地表位移和深部位移时间序列数据；具体包括：S501：将所述的N个不确定模型中各个不确定模型中的2m个独立标准正太空间随机变量与m个网格的单元中心点一一对应，并根据m个网格的单元中心点和所述inp源文件之间的对应关系，利用各个不确定模型中的2m个独立标准正太空间随机变量对所述inp源文件中每个单元截面中的2个参数指标进行修改，供修改N次，得到N个修改后的新的inp源文件；

所述的2个参数指标为粘聚力与摩擦角；

S502：调用Abaqus内核将N个新的inp源文件批量运行，生成N个odb文件；

S503：并基于Python语言，提取N个odb文件中不同位置监测点相对应的水位、地表位移和深部位移时间序列。

8.如权利要求1所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法，其特征在于：步骤S105中，根据所述的N个不确定模型和所述水位、地表位移和深部位移时间序列数据，分别建立不同时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型，具体步骤包括：S601：建立ELM神经网络；

S602：将所述的N个不确定模型作为输入样本，即将各个不确定模型中的2m个独立标准正太空间随机变量作为输入变量：不确定模型中提取的水位时间序列中某一时间点的数据作为输出样本：

Sj＝[s1，s2，…，st]

t为所述目标滑坡上实际监测点的个数，共构成N个训练样本集合：

对所述ELM神经网络进行训练，得到训练好的ELM神经网络，即水位数据类型的智能响应面模型；

S603：采用步骤S601～S602类似的方法，保持输入样本不变，将输出样本分别更换为不确定模型中提取的地表位移时间序列和深部位移时间序列中某一时间点的数据，以分别训练出该时间点的地表位移数据类型智能响应面模型和深部位移数据类型智能响应面模型，最终得到不同时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型。

9.如权利要求1所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法，其特征在于：所述岩土体参数直接信息hz通过滑坡勘察或者原位试验手段获取；步骤S107中，基于自适应条件抽样算法的贝叶斯方法，利用岩土体参数直接信息对对所述P个不确定模型进行反演更新，得到直接信息更新后的P个不确定模型；方法为：根据所获直接信息hz，采用自适应条件抽样算法的贝叶斯方法，对P个不确定模型进行反演更新，生成P个新的不确定模型Hp(hz)，以完成直接信息对不确定模型的更新。

10.如权利要求9所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法，其特征在于：步骤S108中，循环更新的具体步骤包括：S701：根据水位、地表位移和深部位移的实际监测数据，确定不同类型数据用于不确定模型更新的初始时间点及最终时间点，将所述的P个新的不确定模型Hp(hz)作为P个初始不确定模型；

S702：将所述P个初始不确定模型Hp(hz)作为时间点i的地表位移数据类型智能响应面模型的输入，得到地表位移预测值hd；根据所述地表位移预测值hd和时间点i对应的地表位移的实际监测数据，采用基于自适应条件抽样算法的贝叶斯方法，对所述P个初始不确定模型Hp(hz)进行反演更新，生成P个新的不确定模型Hp(hz-hd)；i的初始值为1，代表所述初始时间点；且i＝1,2,…，r；i＝r代表最终时间点；

S703：将所述P个新的不确定模型Hp(hz-hd)作为时间点i的的深部位移数据类型智能响应面的输入，得到深部位移预测值hw；根据所述深部位移预测值hw和时间点i对应的深部位移的实际监测数据，采用基于自适应条件抽样算法的贝叶斯方法，对所述P个新的不确定模型Hp(hz-hd)进行反演更新，生成P个新的不确定模型Hp(hz-hd-hw)；

S704：将所述P个新的不确定模型Hp(hz-hd-hw)作为时间点i的水位数据类型智能响应面的输入，得到水位预测值hs；根据所述水位预测值hs和时间点i对应的水位的实际监测数据，采用基于自适应条件抽样算法的贝叶斯方法，对所述P个新的不确定模型Hp(hz-hd-hw)进行反演更新，生成P个新的不确定模型Hp(hz-hd-hw-hs)，至此完成初始时间点地表位移、深部位移、水位数据更新后的不确定模型Hp(hz-hd-hw-hs)；

S705：将i更新为i+1，并将时间点i更新后的不确定模型Hp(hz-hd-hw-hs)作为P个初始不确定模型，返回步骤S702，以开始下一轮时间点i+1对上一时间点i已更新的不确定模型Hp(hz-hd-hw-hs)进行更新，直到预设的最终时间点的更新完成(i>r)，获取所有时间更新后的P个最终不确定模型；将所述P个最终不确定模型作为最终更新后的更准确的不确定模型。